剛剛，國產AI自己造了AI，全球首例！

金磊 發自 凹非寺
量子位 | 公眾號 QbitAI

造AI這件事，現在的主角變成了AI。

因為就在剛剛，一個國產AI先自己寫出了一套大模型預訓練框架，然后再用這套預訓練框架，訓練出了一個新的小尺寸模型！

這就是面壁智能搞出來的big news。

這套由AI寫出來的預訓練框架叫做ForgeTrain，它是全球首個完全由AI編寫的生產級大模型預訓練框架，性能甚至超越了英偉達的Megatron。

并且ForgeTrain在華為昇騰上預訓練MiniCPM5-1B，相比昇騰的框架也有10%的加速。

圍繞它，面壁智能還提出了一套新的軟件編程范式，叫Forge Engineering。

更直白一點說，就是當AI寫代碼的成本越來越低，未來軟件不一定非要做成一套通用大框架，也可以針對不同模型、不同硬件、不同任務，現場鍛造一套專用代碼。

而被ForgeTrain訓練出來的新模型，就是MiniCPM5-1B。

至于三者的關系，我們用一張圖來解釋：

雖然過去行業里關于“AI制造AI”的聲音不斷，但總歸來說，都還停留在特定的環節，比如寫一段函數、改一個腳本、調一組參數等等。

不過這一次，中國大模型公司第一次把“AI制造AI”從概念，推進到了可展示、可評測、可復現的工程樣本。

AI造出來的AI，能干啥？

既然MiniCPM5-1B是ForgeTrain訓練出來的模型，最直接的問題來了：

AI造出來的AI，到底能干什么？

先看一個最直觀的場景——桌寵。

這個1B參數規模的小模型，它可以常駐在電腦桌面上，變成一個隨時響應的AI小伙伴。你可以跟它聊天，讓它根據上下文接話，也可以給它設置不同的人格。

視頻地址：
https://mp.weixin.qq.com/s/Ci0BXKMJHy086MycdqH77w

（本項目基于clawd-on-desk項目二次開發：
https://github.com/OpenBMB/MiniCPM-Desk-Pet）

這個桌寵的重點在于，它不是一定要跑在云端的大模型服務，1B規模意味著它足夠小，部署門檻也足夠低。

按照面壁智能官方的說法，MiniCPM5-1B在FP16精度下權重體積約2GB，適合GPU、高端筆電和服務器；INT4/Q4精度約0.5GB，可以面向手機、平板、車機等設備。

MiniCPM5-1B想證明的，是1B模型也可以更能打。

在綜合知識、數學推理、代碼推理、工具調用等方向上，MiniCPM5-1B都拿出了面向同尺寸端側模型的對比結果。

公開評測中，MiniCPM5-1B/think平均分為42.57；在MMLU-Pro、MMLU-Redux、AIME-2025、AIME-2026、BFCL-v4、AA榜單等項目上，也給出了對應成績。

尤其值得一提的是，MiniCPM5-1B再次刷新了小模型的智能密度上限。

僅以1B參數規模，它就在國際知名榜單AA-Index上超越了所有2B參數以下模型。相比3個月前發布的Qwen3.5-2B，MiniCPM5-1B不僅效果更優，參數量還減少了一半。

這背后其實指向一個越來越清晰的趨勢：模型能力提升，不再只靠把參數規模越堆越大。更小的模型，也正在承載更高的智能密度。按照這一趨勢觀察，大模型的智能密度正在以約每3.5個月翻一番的速度持續提升。

這也讓MiniCPM5-1B的價值更明確了，它不只是一個小尺寸模型，而是一個在參數規模、部署成本和實際能力之間重新找平衡點的端側模型。

除此之外，它還可以自定義人格：

視頻地址：
https://mp.weixin.qq.com/s/Ci0BXKMJHy086MycdqH77w

雖然這聽起來像聊天產品里的基礎功能，但在端側模型上意義更大，因為端側模型離用戶更近，更容易成為本地設備上的輕量級智能入口。

它可以記住用戶偏好的交互方式，也可以根據不同場景切換風格。

如果大模型要從云端走向每個人的設備，模型必須足夠小、足夠便宜、足夠好用，還要有完整工具鏈。

這也是它強調開發者友好的原因。

MiniCPM5-1B提供了模型、推理、微調相關工具鏈。推理側支持SGLang、vLLM、llama.cpp、Ollama、Hugging Face、ArcLight等；微調側支持LLaMA-Factory、ms-swift等工具。

對開發者來說，這比單純給一個模型權重更重要。

因為模型能不能被用起來，往往不只取決于模型本身，也取決于部署、推理、量化、微調、接入工作流是不是順手。

還超過了英偉達Megatron

如果說MiniCPM5-1B是AI制造AI的產品，那么ForgeTrain就是AI制造AI的工廠。而這個工廠，本身也是AI造出來的。

面壁智能把AI制造AI分成了L1到L5五個階段：

• L1：AI 只給建議，人類執行所有操作（代表：Github Copilot）
• L2：AI 輔助研發，完成具體環節（代表：Cursor，Claude Code）
• L3：AI 端到端產出下一代模型（代表：ForgeTrain）
• L4：AI 遞歸自改進，改造訓練管線和自身
• L5：AI 自主設定研究議程，開放式探索

ForgeTrain對應的正是L3-L4這個階段。它還沒有到AI自己發明下一代Transformer的程度，但它已經進入了大模型研發最核心的基礎設施層——預訓練框架。

在此之前，全世界很多大模型預訓練框架，都是人類程序員一行一行寫出來的。英偉達的Megatron、Meta的 Fairseq、谷歌的TensorFlow，無一不是如此。

但面壁智能提出了一個完全不同的思路，Forge Engineering。

過去的軟件工程強調通用框架，一個框架要兼容各種模型、各種硬件、各種訓練任務。好處是代碼可以復用，代價是很難把每個具體場景都壓榨到極致。就像一件均碼的衣服，誰都能穿，但誰都穿不合身。

Forge Engineering的思路則激進得多：既然AI寫代碼越來越快，代碼生產成本越來越低，那我們為什么還要追求通用？我們完全可以給不同的模型、不同的硬件、不同的任務，分別寫專用的代碼。

這就像從工業化的批量生產，回到了高級定制。AI就是那個不知疲倦的頂級工匠，可以為每一個需求量身打造最適合的代碼。

但AI自己寫預訓練框架，難點不只在寫代碼。更難的是：它怎么知道自己寫對了？怎么知道速度夠不夠快？怎么知道顯存、并行、通信、穩定性有沒有問題？

這就需要Harness。

咱們可以把Harness理解成一個考場，AI被放進這個考場里，一輪輪生成代碼、運行測試、拿到反饋、繼續修改。這個過程完全自動，不需要人類干預。

面壁智能采用了三階段構建方法論：

1. 從現有預訓練框架采集關鍵數據，形成評測標準和Harness
2. 從評測Harness構建二進制一致的預訓練框架版本
3. 解除二進制一致的限制，迭代優化到超越參考實現

最終的結果是，ForgeTrain不僅在功能上完全對齊了英偉達Megatron，而且在相同的硬件條件下，訓練速度還要快10%。

這意味著，同樣的算力，用ForgeTrain可以節省10%的訓練時間和成本。

這是一件值得被重視的事情

看到這里，你可能覺得這是一場很酷的技術秀。但透過現象看本質，面壁智能的這次發布，正在揭示大模型行業正在發生的一場劇變。

首先，大模型的競爭，正在從堆資源走向極致提效率。

過去幾年，所有大模型廠商都在拼大力出奇跡，拼參數、拼語料、拼算力、拼十萬卡集群。但這條Scaling Law的路，它是有盡頭的。

當堆料走到天花板，接下來的勝負手是什么？是效率。

在同樣的算力預算下，誰能產出更多的研發迭代？誰的單代研發周期更短？面壁智能的AI制造AI給出了答案：

用AI去替代人類研發管線中的重復勞動，把人類數周的代碼開發壓縮到幾十分鐘。這是唯一能對抗資源瓶頸，實現大模型能力繼續指數級攀升的解法。

其次，AI研究員的角色，正在發生不可逆轉的改變。

在ForgeTrain這樣的系統里，人類的角色正在發生遷移。從Human in the loop（在循環中執行具體代碼）變成了Human on the loop（在循環外進行監督和設計）。

未來的AI科學家，不再需要親自去寫那無窮無盡的CUDA算子和底層通信邏輯。他們將變成研發系統的設計者和守界者。他們只需要定義目標、搭建Harness，剩下的臟活累活，全交給不知疲倦的AI去完成。

最后，對于國產大模型和國產芯片而言，這是彎道超車的絕佳契機。

過去，我們評價國產大模型，眼睛總是盯著參數大小、榜單跑分、長文本能力。但真正決定一家公司、一個生態長期核心競爭力的，其實是底層系統——生產模型的能力。

誰能更快地訓練出模型，誰能以更低的成本試錯，誰就能在殘酷的百模大戰中活到最后。

更深遠的戰略意義在于國產算力生態。眾所周知，華為昇騰等國產芯片在硬件算力上正在瘋狂追趕，但最大的短板在于軟件生態。英偉達有數以百萬計的開發者花了十五年時間踩坑、優化，這是國產芯片靠人力很難在短時間內抹平的差距。

但ForgeTrain提供了一種破局的可能。

如果人不夠，那就用AI來湊！通過AI自動生成適配各種新模型、新硬件的專屬預訓練框架，國產芯片將有機會借由AI的生產力，極大縮短追趕國際頂尖生態的時間差。

當AI學會了造AI，齒輪就已經開始加速轉動。一個新的紀元，正在我們眼前展開。

MiniCPM5-1B 現已全面開源：

Hugging Face鏈接：
https://huggingface.openbmb.com/model/openbmb/MiniCPM5-1B

GitHub鏈接：
https://github.com/OpenBMB/MiniCPM

ModelScope鏈接：
https://modelscope.cn/models/OpenBMB/MiniCPM5-1B

AtomGit：
https://ai.gitcode.com/OpenBMB/MiniCPM5-1B

魔樂社區：
https://modelers.cn/models/OpenBMB/MiniCPM5-1B

ForgeTrain開源鏈接：
https://github.com/OpenBMB/ForgeTrain（5.26晚后上線）